# RoboFine-VLM-397B-A17B

> 权威词条地址：https://robotics.hellobike.com/models/xlangai-robofine-vlm-397b-a17b
> 所属分类：models | 最近核验日期：2026-10-04 | 技术层级：L7

## 核心摘要

xlangai 在 Hugging Face 发布的机器人模型，架构为 Qwen3_5MoeForConditionalGeneration，参数规模 403.4B，训练数据包含 xlangai/RoboFine-bench。

## 结构化工程参数

| 参数项 | 数值 / 配置 |
| :--- | :--- |
| `layers` | ["L7"] |
| `links` | [{"title": "Hugging Face", "url": "https://huggingface.co/xlangai/RoboFine-VLM-397B-A17B"}] |
| `updated` | 2026-10-04 |
| `family` | other |
| `params` | 403.4B |
| `architecture` | Qwen3_5MoeForConditionalGeneration |
| `action_representation` | 连续关节位置/末端位姿动作空间 |
| `code_license` | apache-2.0 |
| `weights_license` | apache-2.0 |
| `data_formats` | ["SafeTensors"] |
| `pretraining_data` | ["xlangai/RoboFine-bench"] |
| `status` | research |
| `hub_id` | xlangai/RoboFine-VLM-397B-A17B |
| `hub_stats` | {"downloads": 76, "likes": 8, "as_of": "2026-10-21"} |
| `overview_sources` | ["https://huggingface.co/xlangai/RoboFine-VLM-397B-A17B"] |

## 技术详解与生态说明

RoboFine-VLM 是面向机器人操作视频理解的微调视觉语言模型，基于 Qwen3.5-VL-397B-A17B，采用 Qwen3.5 MoE 架构，总参数 397B、每 token 激活约 17B。模型通过机器人操作数据做 SFT，训练数据为 FineVLA-Data，包含 47,159 条经人工验证的细粒度指令轨迹。

模型能力覆盖机器人视频 VQA，以及面向操作过程的细粒度逐步标注；标注维度包括动作顺序、执行臂或末端、目标物体、初末状态、接触与接近方式、轨迹与姿态、身体或关节运动、物体交互、失败与恢复等。其在 RoboFine-Bench 上评估，VQA 设置包含 10 个数据集的 500 个机器人操作样本，并给出了 VQA 与 caption 分解结果。

使用上可在 vLLM 或 SGLang 等框架部署后通过 OpenAI SDK 的 Chat Completions API 调用。硬件表列出 BF16 权重约 752GB、FP8 权重约 376GB；BF16 需 8×H200-141GB，8×A100/H100-80GB 需 FP8 量化。许可为 Apache 2.0。

## 原始核验来源 (Sources)

- [Hugging Face xlangai/RoboFine-VLM-397B-A17B](https://huggingface.co/xlangai/RoboFine-VLM-397B-A17B)